API модели

fit!(model, X); fit!(model, X, y)

Обучает model на основе входных данных X и y (для контролируемого обучения) или только на основе X (для неконтролируемого обучения). Всегда возвращается объект model, что позволяет использовать код типа classifier = fit!(LogisticRegression(), X, y).

partial_fit!(model, X); partial_fit!(model, X, y)

Постепенно обучает модель на основе новых данных X и y. Например, это может быть стохастический шаг градиентного спуска.

predict(model, X) возвращает предсказанный класс каждой строки в X (для классификаторов) или предсказанное значение (для регрессоров).

predict_proba(model, X) возвращает матрицу (N, C), содержащую вероятность того, что n__-й образец принадлежит c__-му классу. Вызовите get_classes(model), чтобы получить порядок классов.

predict_log_proba(model, X) эквивалентен log(predict_proba(model, X)), но может быть более точным (для малых вероятностей) и более быстрым (без использования экспоненты).

Для моделей с неконтролируемым обучением и для предварительной обработки transform(model, X) применяет преобразование из model к X и возвращает аналогичный массив (то же количество строк, возможно, другое количество столбцов).

Для моделей с неконтролируемым обучением get_components(model) возвращает матрицу скрытого пространства в форме (nкомпонентов, nпризнаков). Для методов разложения матрицы это соответствует главным компонентам или скрытым векторам.

fit_transform!(model, X) эквивалентен transform(fit!(model, X), X), но иногда может быть более эффективным.

fit_predict!(model, X) эквивалентен predict(fit!(model, X), X), но иногда может быть более эффективным.

inverse_transform(model, X) применяет обратное преобразование модели.

Для вероятностных моделей score_samples(model, X) определяет модель плотности в X.

score(model, X) и score(model, X, y) ставят оценку вероятности X или y|X с учетом параметров обученной модели. Чем выше оценка, тем лучше модель. Используется для перекрестной проверки.

decision_function(model, X) возвращает расстояние от выборок до границы принятия решения.